前两章讲了道理。这一章讲一个真实的、有点极端的例子——我自己的做法。
我给我的 Agent 准备了大概 11T 的磁盘空间、140 多 G 的内存、32G 的 GPU 显存，还给它准备了 Windows、Mac、Linux、Docker、WSL 等各种可以折腾的环境。
第一次听到这个配置的人，反应通常是：「至于吗？不就一个 AI 吗？」
至于。而且这恰恰是「使用技巧阶段」和「堆资源阶段」的分水岭。
环境不是奢侈品，是工作台
想提升 Agent 的使用效率，早就已经过了研究「怎么提问」的阶段了。现在看的是如何给 Agent 堆资源。
为什么？回想第二章培养皿里的大脑。给它接一个「只能回答问题的聊天框」，和给它接一台「能装任何软件、能连任何系统、磁盘随便用」的机器，是两种完全不同的生物。前者只能动嘴，后者能动手——而且是随便怎么动手。
举个具体的场景。你让 AI 帮你分析一批数据，分析到一半它说：「我可以写个脚本并行处理，但需要 8G 内存跑起来。」如果你的环境只有 2G 内存，这个方案就胎死腹中——不是模型想不到，是环境接不住。再比如它想验证「这个软件在 Windows 上的行为和 Linux 上不一样」，如果你只有一台 Mac，它就只能猜。
大白话：模型负责「想到」，环境负责「做到」。想到做不到的次数多了，模型慢慢就只敢想那些做得到的事——它的想象力被你的硬盘大小阉割了。
为什么「能折腾」这么重要
有人会说：我又不做数据分析，要这么多系统干什么？
这里有个更深的东西。有了这些环境，Agent 才能充分发挥能力，去做各种折腾，玩出很多超乎你想象的创意出来。
注意「玩」和「折腾」这两个词。创意不是规划出来的，是试出来的。一个 Agent 想出个主意——「要不我把这些数据可视化成动画」——它需要装个库、跑个渲染、看看效果、不满意再来。这个过程里每一步都消耗资源：磁盘存中间文件，内存跑渲染，显存加速计算。环境够大，这条「想到→试→看→再想」的链就能走完；环境拮据，链条在第一步就断了，你甚至不知道它断过——AI 不会跟你抱怨，它只是默默地交出一个平庸的答案。
所以我说：环境决定了你这个 Agent 的上限有多高。模型决定下限——再差的环境，聪明模型也能给出像样的回答。但上限，那個「哇，它居然自己折腾出这个东西」的时刻，是环境给的。
一个务实的提醒
别误会成「人人都要买 11T 磁盘」。重点是思路：盘点你的 Agent 最常干的三件事，然后把这三件事需要的资源配到『不会成为瓶颈』。常处理大文件就把磁盘和内存给够；常跑代码就给个随便造不心疼的沙箱；常要跨平台验证就备好虚拟机和容器。
原则还是那个类比：你不会给一个厨师一间只有微波炉的厨房，然后抱怨他做不出满汉全席。厨师的厨艺（模型）和厨房（环境）是乘法关系——任何一项为零，结果就是零。
下一章讲 Harness 里最容易被误解的一块：闭环。很多人以为让 AI「自我迭代」就是让模型自己变聪明——不是，完全不是。